1. 簡(jiǎn)介

如圖所示，一個(gè)正常的請(qǐng)求

1.客戶端請(qǐng)求張鐵牛的博客。

2.服務(wù)首先會(huì)請(qǐng)求redis，查看請(qǐng)求的內(nèi)容是否存在。

3.redis將請(qǐng)求結(jié)果返回給服務(wù)，如果返回的結(jié)果有數(shù)據(jù)則執(zhí)行7；如果沒有數(shù)據(jù)則會(huì)繼續(xù)往下執(zhí)行。

4.服務(wù)從數(shù)據(jù)庫中查詢請(qǐng)求的數(shù)據(jù)。

5.數(shù)據(jù)庫將查詢的結(jié)果返回給服務(wù)。

6.如果數(shù)據(jù)庫有返回?cái)?shù)據(jù)，則將返回的結(jié)果添加到redis。

7.將請(qǐng)求到的數(shù)據(jù)返回給客戶端。

2. 緩存穿透

2.1描述

通過接口訪問一個(gè)緩存和數(shù)據(jù)庫都不存在的數(shù)據(jù)。

因?yàn)榉?wù)出于容錯(cuò)考慮，當(dāng)請(qǐng)求從持久層查不到數(shù)據(jù)則不寫入緩存，這將導(dǎo)致請(qǐng)求這個(gè)不存在的數(shù)據(jù)每次都要到持久層去查詢，失去了緩存的意義。

此時(shí)，緩存起不到保護(hù)后端持久層的意義，就像被穿透了一樣。導(dǎo)致數(shù)據(jù)庫存在被打掛的風(fēng)險(xiǎn)。

2.2 解決方案

1.接口請(qǐng)求參數(shù)的校驗(yàn)。對(duì)請(qǐng)求的接口進(jìn)行鑒權(quán)，數(shù)據(jù)合法性的校驗(yàn)等；比如查詢的userId不能是負(fù)值或者包含非法字符等。

2.當(dāng)數(shù)據(jù)庫返回空值時(shí)，將空值緩存到redis，并設(shè)置合理的過期時(shí)間。

3.布隆過濾器。使用布隆過濾器存儲(chǔ)所有可能訪問的 key，不存在的 key 直接被過濾，存在的 key 則再進(jìn)一步查詢緩存和數(shù)據(jù)庫。

3. 緩存擊穿

3.1 描述

某個(gè)熱點(diǎn) key，在緩存過期的一瞬間，同時(shí)有大量的請(qǐng)求打進(jìn)來，由于此時(shí)緩存過期了，所以請(qǐng)求最終都會(huì)走到數(shù)據(jù)庫，造成瞬時(shí)數(shù)據(jù)庫請(qǐng)求量大、壓力驟增，導(dǎo)致數(shù)據(jù)庫存在被打掛的風(fēng)險(xiǎn)。

3.2 解決方案

1.加互斥鎖。當(dāng)熱點(diǎn)key過期后，大量的請(qǐng)求涌入時(shí)，只有第一個(gè)請(qǐng)求能獲取鎖并阻塞，此時(shí)該請(qǐng)求查詢數(shù)據(jù)庫，并將查詢結(jié)果寫入redis后釋放鎖。后續(xù)的請(qǐng)求直接走緩存。

2.設(shè)置緩存不過期或者后臺(tái)有線程一直給熱點(diǎn)數(shù)據(jù)續(xù)期。

4. 緩存雪崩

4.1 描述

大量的熱點(diǎn)數(shù)據(jù)過期時(shí)間相同，導(dǎo)致數(shù)據(jù)在同一時(shí)刻集體失效。造成瞬時(shí)數(shù)據(jù)庫請(qǐng)求量大、壓力驟增，引起雪崩，導(dǎo)致數(shù)據(jù)庫存在被打掛的風(fēng)險(xiǎn)。

4.1 解決方案

1.將熱點(diǎn)數(shù)據(jù)的過期時(shí)間打散。給熱點(diǎn)數(shù)據(jù)設(shè)置過期時(shí)間時(shí)加個(gè)隨機(jī)值。

2.加互斥鎖。當(dāng)熱點(diǎn)key過期后，大量的請(qǐng)求涌入時(shí)，只有第一個(gè)請(qǐng)求能獲取鎖并阻塞，此時(shí)該請(qǐng)求查詢數(shù)據(jù)庫，并將查詢結(jié)果寫入redis后釋放鎖。后續(xù)的請(qǐng)求直接走緩存。

3.設(shè)置緩存不過期或者后臺(tái)有線程一直給熱點(diǎn)數(shù)據(jù)續(xù)期。

5. 布隆過濾器

5.1 描述

布隆過濾器是防止緩存穿透的方案之一。布隆過濾器主要是解決大規(guī)模數(shù)據(jù)下不需要精確過濾的業(yè)務(wù)場(chǎng)景，如檢查垃圾郵件地址，爬蟲URL地址去重， 解決緩存穿透問題等。

布隆過濾器：在一個(gè)存在一定數(shù)量的集合中過濾一個(gè)對(duì)應(yīng)的元素，判斷該元素是否一定不在集合中或者可能在集合中。它的優(yōu)點(diǎn)是空間效率和查詢時(shí)間都比一般的算法要好的多，缺點(diǎn)是有一定的誤識(shí)別率和刪除困難。

5.2 數(shù)據(jù)結(jié)構(gòu)

布隆過濾器是基于bitmap和若干個(gè)hash算法實(shí)現(xiàn)的。如下圖所示：

1.元素tie經(jīng)過hash1，hash2，hash3運(yùn)算出對(duì)應(yīng)的三個(gè)值落到了數(shù)組下標(biāo)為4，6，8的位置上，并將其位置的默認(rèn)值0，修改成1。

2.元素niu同理落到了數(shù)組下標(biāo)為1，3，4的位置上，并將其位置的默認(rèn)值0，修改成1。

此時(shí)bitmap中已經(jīng)存儲(chǔ)了tie，niu數(shù)據(jù)元素。

當(dāng)請(qǐng)求想通過布隆過濾器判斷tie元素在程序中是否存在時(shí)，通過hash運(yùn)算結(jié)果到數(shù)組對(duì)應(yīng)下標(biāo)位置上發(fā)現(xiàn)值已經(jīng)都被置為1，此時(shí)返回true。

5.3 “一定不在集合中”

如圖所示：

​ 元素zhang通過布隆過濾器判斷時(shí)，下標(biāo)0，2都為0，則直接返回false。

也就是當(dāng)判斷不在bitmap中的元素時(shí)，經(jīng)過hash運(yùn)算得到的結(jié)果在bitmap中只要有一個(gè)為0，則該數(shù)據(jù)一定不存在。

5.4 “可能在集合中”

如圖所示：

​ 元素shuaibi通過布隆過濾器判斷時(shí)，hash運(yùn)算的結(jié)果落到了下標(biāo)1,3,8上，此時(shí)對(duì)應(yīng)下標(biāo)位置的值都為1，則直接返回true。

這下就尷尬了，因?yàn)閷?shí)際程序中并沒有數(shù)據(jù)shuaibi，但布隆過濾器返回的結(jié)果顯示有這個(gè)元素。這就是布隆過濾器的缺點(diǎn)，存在誤判情況。

5.5 ”刪除困難“

為什么布隆過濾器刪除困難呢，如圖所示：

如果刪除了“tie”元素，4號(hào)位被置為0，則會(huì)影響niu元素的判斷，因?yàn)?code>4號(hào)位為0，進(jìn)行數(shù)據(jù)校驗(yàn)時(shí)返回0，則會(huì)認(rèn)為程序中沒有niu元素。

那小伙伴會(huì)問，4號(hào)位不置為0，行不行？

如果刪除了元素，hash碰撞的數(shù)組下標(biāo)不置為0，那么如果繼續(xù)驗(yàn)證該元素的話，布隆過濾器會(huì)繼續(xù)返回true，但實(shí)際上元素已經(jīng)刪除了。

所以布隆過濾器數(shù)據(jù)刪除困難，如果要?jiǎng)h除的話，可以參考Counting Bloom Filter。

5.6 為什么不使用HashMap呢？

如果用HashSet或Hashmap存儲(chǔ)的話，每一個(gè)用戶ID都要存成int，占4個(gè)字節(jié)即32bit。而一個(gè)用戶在bitmap中只需要1個(gè)bit，內(nèi)存節(jié)省了32倍。

并且大數(shù)據(jù)量會(huì)產(chǎn)生大量的hash沖突，結(jié)果就是產(chǎn)生hash沖突的數(shù)據(jù)，仍然會(huì)進(jìn)行遍歷挨個(gè)比對(duì)（即使轉(zhuǎn)成紅黑樹），這樣對(duì)內(nèi)存空間和查詢效率的提升，仍然是有限的。

當(dāng)然：數(shù)據(jù)量不大時(shí)，盡管使用。而且hashmap方便進(jìn)行CRUD😂

到此這篇關(guān)于詳解緩存穿透/擊穿/雪崩原理及其解決方案的文章就介紹到這了,更多相關(guān)緩存穿透/擊穿/雪崩內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論